Questão 1
Questão
A Naiv Bayes-háló lényegi feltételezése, hogy: Egy gyermek, több szülő csomópont. A szülők egymástól
függetlenek.
Questão 2
Questão
A Naiv Bayes-háló lényegi feltételezése, hogy: Több gyermek, több szülő csomópont. A gyermek csomópontok
egymástól függetlenek.
Questão 3
Questão
A Naiv Bayes-háló lényegi feltételezése, hogy: Egy gyermek, egy szülő csomópont, ezek egymástól
függetlenek.
Questão 4
Questão
A Naiv Bayes-háló lényegi feltételezése, hogy: Több gyermek, egy szülő csomópont. A gyermek csomópontok
egymástól függetlenek.
Questão 5
Questão
A Bayes-háló egy kompakt reprezentációja az együttes valószínűségi eloszlásnak.
Questão 6
Questão
A Bayes-háló feltételes függetlenségi/függőségi térképként reprezentálja a változók közötti kapcsolatokat.
Questão 7
Questão
A Bayes-háló asszociációs kapcsolati térképként reprezentálja a változók közötti függőségeket.
Questão 8
Questão
A Bayes-háló oksági kapcsolatokat is képes reprezentálni.
Questão 9
Questão
Az oksági kapcsolatok mindig egyben asszociációs kapcsolatok is.
Questão 10
Questão
Az asszociációs kapcsolatok mindig egyben oksági kapcsolatok is.
Questão 11
Questão
Az oksági kapcsolatok lehetnek asszociációs kapcsolatok is.
Questão 12
Questão
Az asszociációs kapcsolat hátterében sosem lehet oksági kapcsolat.
Questão 13
Questão
Egy csomópont feltételesen független az őseitől a gyermekek ismeretében.
Questão 14
Questão
Egy csomópont feltételesen független a nem leszármazottaitól a szülők ismeretében.
Questão 15
Questão
Egy csomópont feltételesen független a nem leszármazottaitól a gyermekek ismeretében.
Questão 16
Questão
Egy csomópont feltételesen független a leszármazottaitól a szülők ismeretében.
Questão 17
Questão
Egy csomópont feltételes valószínűségi táblája a szülők értékeinek
konfigurációja szerint tartalmazza a csomópontra vonatkozó feltételes
valószínűségeket.
Questão 18
Questão
A Bayes-háló feltételes függetlenségeket / függőségeket leíró
gráfstruktúrája összhangban kell legyen a parametrizációval, melyet
minden csomópontra a szülők értékei függvényében adunk meg.
Questão 19
Questão
A Bayes-háló által reprezentált együttes valószínűségi eloszlás a
szülői halmazok alapján faktorálható (feltételes valószínűségek
szorzatára).
Questão 20
Questão
A Bayes-háló által leírt függőségek mindig oksági kapcsolatokat
jelentenek.
Questão 21
Questão
Egy adott csomópont szülei, gyermekei és testvérei tartoznak ebbe a halmazba. (Markov-takaró)
Questão 22
Questão
Egy adott csomópont szülei, gyermekei és szüleinek egyéb
gyermekei tartoznak ebbe a halmazba. (Markov-takaró)
Questão 23
Questão
Egy adott csomópont szülei, gyermekei és gyermekeinek egyéb
szülei tartoznak ebbe a halmazba. (Markov-takaró)
Questão 24
Questão
Egy adott csomópont szülei és gyermekei tartoznak ebbe a
halmazba. (Markov-takaró)
Questão 25
Questão
Ha a leszámítolási tényező 1, és a jutalmaknak véges maximuma van, akkor végtelen lépéssor is véges összjutalmat eredményez.
Questão 26
Questão
A modellalapú ágens a környezetről is, önmagáról is modellt alkot, és ezeket frissíti.
Questão 27
Questão
A hasznosságorientált ágens a célhoz vezető különböző állapotsorozatokat (trajektóriákat) is képes értékelni.
Questão 28
Questão
Az állapot hasznosságát csak akkor tudjuk értelmezni, ha az adott állapotból csak egy végállapotba lehet eljutni.
Questão 29
Questão
A szekvenciális probléma iteratív megoldása során gyakran az értékek még nem konvergálnak pontosan, de a stratégia már egyértelmű lehet.
Questão 30
Questão
Mivel az időbeli különbség tanuláshoz nincs szükség az állapotátmenet-modellre, ezért Q-tanulásra is használható
Questão 31
Questão
A hasznosságfüggvény explicit reprezentációja jobb általánosító képességet tesz lehetővé, mint az implicit reprezentáció
Questão 32
Questão
Az adott állapothoz tartozó legnagyobb Q érték az állapot hasznosságát adja.
Questão 33
Questão
A mohó felfedezést végző ágens könnyen egy szuboptimumba juthat.
Questão 34
Questão
A hóbortos felfedezést végző ágens nagyon jól kiismeri környezetét, de nem aknázza ki ezt a tudását a jutalmak gyűjtésére.
Questão 35
Questão
Az aktív megerősítéses tanulásban kettős célja van az ágensnek: egyrészt minél nagyobb jutalmakat akar gyűjteni, másrészt javítani akarja a megszerzett tudást, a jövőbeli szekvenciákhoz.
Questão 36
Questão
Eljárásmód-iteráció esetén, ha a t-dik lépésben kiszámítottuk az Ut(s) értékeket, akkor a következő eljárásmód becslés – (πt+1 (s) – nem függ a leszámítolási tényezőtől.
Questão 37
Questão
Az időbeli különbség (IK) tanulási módszer hatékonyságát az állapotátmenet-mátrix optimális felhasználása adja.
Questão 38
Questão
Egy adott állapotban elvégezhető cselekvésekhez tartozó legnagyobb Q érték az állapot hasznosságát adja
Questão 39
Questão
Amennyiben a környezet sztochasztikus és az ágens érzékelői nem teszik lehetővé a környezet állapotainak meghatározását, akkor az ágens többállapotú problémával néz szembe.
Questão 40
Questão
A Bellman összefüggés felállításánál kihasználtuk, hogy a lépéssorozatban nyert
jutalmak additívak.
Questão 41
Questão
Az optimális eljárásmód az állapotokhoz megadja azt a cselekvést, ami minden
sorozatban a legnagyobb jutalmat fogja eredményezni.